Descriptivo
Luis Cabarcas, Andres EspaƱa, Natalia Frias, Jose Menco, Eliana Rodirguez
2024-08-20
Diagnostico Exploratorio Sobre Colombianos En EL Exterior
El censo āColombianos registrados en el exteriorā proporciona un conjunto de datos sobre los ciudadanos colombianos que se han registrado en consulados y embajadas fuera de Colombia. Estos datos, que fueron proporcionados por el Ministerio De Relaciones Exteriores, incluyen detalles demogrĆ”ficos como edad, gĆ©nero, y ubicaciĆ³n de residencia en el extranjero. El propĆ³sito principal es entender la distribuciĆ³n de los colombianos en el exterior, lo que puede ayudar en la planificaciĆ³n de polĆticas y servicios consulares.
ĀæQuĆ© hay en este conjunto de Datos?
Este estudio incluye las siguientes variables
PaĆs: Indica el paĆs de residencia de la persona. Cuando no se tienen datos registrados se presenta el texto ā(NO REGISTRA)ā.
CĆ³digo ISO paĆs: ISO del paĆs de residencia. Cuando no se tienen datos registrados se presenta el texto ā(NO REGISTRA)ā.
Oficina de registro: Consulado donde la persona realizĆ³ su registro consular. Cuando no se tienen datos registrados se presenta el texto ā(NO REGISTRA)ā.
Grupo edad: Grupo basado en la edad, como āPrimera infanciaā (0-5 aƱos) o āAdulto Mayorā (60+).
Edad (aƱos): Edad de la persona, con -1 indicando datos faltantes.
Ćrea Conocimiento: Ćrea de conocimiento, con ā(NO REGISTRA)ā si falta.
Sub Ćrea Conocimiento: SubĆ”rea especĆfica, con ā(NO REGISTRA)ā si falta.
Nivel AcadĆ©mico: Nivel educativo, con ā(NO REGISTRA)ā si falta.
Estado civil: Estado civil, con ā(NO REGISTRA)ā si falta.
GĆ©nero: GĆ©nero de la persona, con ā(DESCONOCIDO)ā si falta.
Etnia de la persona: Etnia, con ā(NO REGISTRA)ā si falta.
Estatura (CM): Estatura en centĆmetros, con -1 indicando datos faltantes.
LocalizaciĆ³n: LocalizaciĆ³n geogrĆ”fica del ciudadano segĆŗn el paĆs de residencia.
Cantidad de personas: NĆŗmero de personas que cumplen con las condiciones demogrĆ”ficas especificadas.
Objetivos Del Estudio
Analizar las caracterĆsticas demogrĆ”ficas y educativas de ciudadanos colombianos en el exterior, con el fin de identificar patrones de residencia, nivel acadĆ©mico, estado civil, gĆ©nero, etnia y Ć”rea de conocimiento, asĆ como la calidad y completitud de los datos registrados en los consulados.
Importacion de Librerias
library(gridExtra)
library(psych)
library(ggcorrplot)## Loading required package: ggplot2##
## Attaching package: 'ggplot2'## The following objects are masked from 'package:psych':
##
## %+%, alphalibrary(readxl)
library(dplyr)##
## Attaching package: 'dplyr'## The following object is masked from 'package:gridExtra':
##
## combine## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(tidyverse)## āā Attaching core tidyverse packages āāāāāāāāāāāāāāāāāāāāāāāā tidyverse 2.0.0 āā
## ā forcats 1.0.0 ā stringr 1.5.1
## ā lubridate 1.9.3 ā tibble 3.2.1
## ā purrr 1.0.2 ā tidyr 1.3.1
## ā readr 2.1.5## āā Conflicts āāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāā tidyverse_conflicts() āā
## ā ggplot2::%+%() masks psych::%+%()
## ā ggplot2::alpha() masks psych::alpha()
## ā dplyr::combine() masks gridExtra::combine()
## ā dplyr::filter() masks stats::filter()
## ā dplyr::lag() masks stats::lag()
## ā¹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(Amelia)## Loading required package: Rcpp
## ##
## ## Amelia II: Multiple Imputation
## ## (Version 1.8.2, built: 2024-04-10)
## ## Copyright (C) 2005-2024 James Honaker, Gary King and Matthew Blackwell
## ## Refer to http://gking.harvard.edu/amelia/ for more information
## ##library(janitor)##
## Attaching package: 'janitor'
##
## The following objects are masked from 'package:stats':
##
## chisq.test, fisher.testlibrary(magrittr)##
## Attaching package: 'magrittr'
##
## The following object is masked from 'package:purrr':
##
## set_names
##
## The following object is masked from 'package:tidyr':
##
## extractlibrary(ggplot2)
library(dplyr)
library(pastecs)##
## Attaching package: 'pastecs'
##
## The following object is masked from 'package:magrittr':
##
## extract
##
## The following object is masked from 'package:tidyr':
##
## extract
##
## The following objects are masked from 'package:dplyr':
##
## first, lastlibrary(nortest)
library(skimr)Importacion, Diagnostico y Tratamiento De Los Datos
Data <- read.csv('colombianos_exterior.csv')
# Renombrar columnas con caracteres especiales
names(Data) <- c("PaĆs", "CĆ³digo.ISO.Pais", "Oficina.de.registro", "Grupo.edad", "Edad",
"Area.Conocimiento", "Sub.Area.Conocimiento", "Nivel.AcadƩmico",
"Estado.civil", "GĆ©nero", "Etnia.de.la.persona", "Estatura",
"LocalizaciĆ³n", "Cantidad.de.personas")
dim(D)## NULLsummary(Data)## PaĆs CĆ³digo.ISO.Pais Oficina.de.registro Grupo.edad
## Length:782250 Length:782250 Length:782250 Length:782250
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Edad Area.Conocimiento Sub.Area.Conocimiento Nivel.AcadƩmico
## Min. : -1.00 Length:782250 Length:782250 Length:782250
## 1st Qu.: 34.00 Class :character Class :character Class :character
## Median : 44.00 Mode :character Mode :character Mode :character
## Mean : 45.79
## 3rd Qu.: 57.00
## Max. :140.00
## Estado.civil GĆ©nero Etnia.de.la.persona Estatura
## Length:782250 Length:782250 Length:782250 Min. : -1
## Class :character Class :character Class :character 1st Qu.: -1
## Mode :character Mode :character Mode :character Median : -1
## Mean : 59
## 3rd Qu.: 160
## Max. :163163
## LocalizaciĆ³n Cantidad.de.personas
## Length:782250 Min. : 1.000
## Class :character 1st Qu.: 1.000
## Mode :character Median : 1.000
## Mean : 1.983
## 3rd Qu.: 1.000
## Max. :408.000str(Data)## 'data.frame': 782250 obs. of 14 variables:
## $ PaĆs : chr "ALEMANIA" "ESPAĆA" "CANADA" "VENEZUELA" ...
## $ CĆ³digo.ISO.Pais : chr "DEU" "ESP" "CAN" "VEN" ...
## $ Oficina.de.registro : chr "C. BERLIN" "C. BARCELONA" "C. MONTREAL" "C. MARACAIBO" ...
## $ Grupo.edad : chr "ADULTO" "ADULTO" "ADULTO" "ADULTO MAYOR" ...
## $ Edad : int 35 36 35 91 51 35 12 58 45 14 ...
## $ Area.Conocimiento : chr "CIENCIAS SOCIALES Y HUMANAS" "NO INDICA" "CIENCIAS SOCIALES Y HUMANAS" "CIENCIAS SOCIALES Y HUMANAS" ...
## $ Sub.Area.Conocimiento: chr "CIENCIA POLĆTICA Y/O RELACIONES INTERNACIONALES" "NO INDICA" "GEOGRAFĆA O HISTORIA" "DERECHO Y AFINES" ...
## $ Nivel.AcadƩmico : chr "PREGRADO - PROFESIONAL" "POSTGRADO - MAESTRIA" "NO INDICA" "NO INDICA" ...
## $ Estado.civil : chr "SOLTERO" "SOLTERO" "SOLTERO" "SOLTERO" ...
## $ GĆ©nero : chr "MASCULINO" "FEMENINO" "FEMENINO" "FEMENINO" ...
## $ Etnia.de.la.persona : chr "NINGUNA" "OTRO" "OTRO" "NINGUNA" ...
## $ Estatura : int -1 165 -1 -1 169 -1 -1 -1 -1 -1 ...
## $ LocalizaciĆ³n : chr "(51.165691, 10.451526)" "(40.463667, -3.74922)" "(56.130366, -106.346771)" "(6.42375, -66.58973)" ...
## $ Cantidad.de.personas : int 1 1 1 1 1 1 1 1 1 1 ...missmap(Data, main="Mapa de Datos Faltantes en Datos crudos")
Se observa que inicialmente se tienen 12/14 variables cualitativas y 2/14 cuantitativas, sin embargo, si observamos la variable estatura sabemos que la naturaleza de sus datos es cuantitativa, y esta siendo detectada como una variable cualitativa, por lo tanto se designarĆ” manualmente.
Procesamiento De Los Datos
#Convertir la variable Estatura de caracter a numƩrico
Data$Estatura <- as.numeric(Data$Estatura)
NewData <- Data
summary(NewData)## PaĆs CĆ³digo.ISO.Pais Oficina.de.registro Grupo.edad
## Length:782250 Length:782250 Length:782250 Length:782250
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Edad Area.Conocimiento Sub.Area.Conocimiento Nivel.AcadƩmico
## Min. : -1.00 Length:782250 Length:782250 Length:782250
## 1st Qu.: 34.00 Class :character Class :character Class :character
## Median : 44.00 Mode :character Mode :character Mode :character
## Mean : 45.79
## 3rd Qu.: 57.00
## Max. :140.00
## Estado.civil GĆ©nero Etnia.de.la.persona Estatura
## Length:782250 Length:782250 Length:782250 Min. : -1
## Class :character Class :character Class :character 1st Qu.: -1
## Mode :character Mode :character Mode :character Median : -1
## Mean : 59
## 3rd Qu.: 160
## Max. :163163
## LocalizaciĆ³n Cantidad.de.personas
## Length:782250 Min. : 1.000
## Class :character 1st Qu.: 1.000
## Mode :character Median : 1.000
## Mean : 1.983
## 3rd Qu.: 1.000
## Max. :408.000str(NewData)## 'data.frame': 782250 obs. of 14 variables:
## $ PaĆs : chr "ALEMANIA" "ESPAĆA" "CANADA" "VENEZUELA" ...
## $ CĆ³digo.ISO.Pais : chr "DEU" "ESP" "CAN" "VEN" ...
## $ Oficina.de.registro : chr "C. BERLIN" "C. BARCELONA" "C. MONTREAL" "C. MARACAIBO" ...
## $ Grupo.edad : chr "ADULTO" "ADULTO" "ADULTO" "ADULTO MAYOR" ...
## $ Edad : int 35 36 35 91 51 35 12 58 45 14 ...
## $ Area.Conocimiento : chr "CIENCIAS SOCIALES Y HUMANAS" "NO INDICA" "CIENCIAS SOCIALES Y HUMANAS" "CIENCIAS SOCIALES Y HUMANAS" ...
## $ Sub.Area.Conocimiento: chr "CIENCIA POLĆTICA Y/O RELACIONES INTERNACIONALES" "NO INDICA" "GEOGRAFĆA O HISTORIA" "DERECHO Y AFINES" ...
## $ Nivel.AcadƩmico : chr "PREGRADO - PROFESIONAL" "POSTGRADO - MAESTRIA" "NO INDICA" "NO INDICA" ...
## $ Estado.civil : chr "SOLTERO" "SOLTERO" "SOLTERO" "SOLTERO" ...
## $ GĆ©nero : chr "MASCULINO" "FEMENINO" "FEMENINO" "FEMENINO" ...
## $ Etnia.de.la.persona : chr "NINGUNA" "OTRO" "OTRO" "NINGUNA" ...
## $ Estatura : num -1 165 -1 -1 169 -1 -1 -1 -1 -1 ...
## $ LocalizaciĆ³n : chr "(51.165691, 10.451526)" "(40.463667, -3.74922)" "(56.130366, -106.346771)" "(6.42375, -66.58973)" ...
## $ Cantidad.de.personas : int 1 1 1 1 1 1 1 1 1 1 ...DataNA <- NewData
DataNA$Estatura[DataNA$Estatura==-1]<-NA
DataNA$Estatura[DataNA$Estatura>270]<-NA
DataNA$Estatura[DataNA$Estatura<35]<-NA
DataNA$Edad[DataNA$Edad==-1]<-NA
DataNA$Edad[DataNA$Edad>121]<-NA
# Reemplazar '(NO REGISTRA)' con NA en las columnas especificadas
columns_to_replace <- c("PaĆs", "CĆ³digo.ISO.Pais", "Oficina.de.registro", "Area.Conocimiento", "Sub.Area.Conocimiento", "Nivel.AcadĆ©mico", "Estado.civil", "Etnia.de.la.persona")
DataNA[columns_to_replace] <- lapply(DataNA[columns_to_replace], function(x) {
x[x == '(NO REGISTRA)'] <- NA
return(x)
})
DataNA$GĆ©nero[DataNA$GĆ©nero=='DESCONOCIDO']<-NA
# Calcular el nĆŗmero de NA por columna
na_counts <- sapply(DataNA, function(x) sum(is.na(x)))
# Calcular el nĆŗmero total de datos por columna
total_values <- sapply(DataNA, function(x) length(x))
# Calcular el porcentaje de NA por columna con respecto al total de datos en esa columna
na_percentages_per_column <- (na_counts / total_values) * 100
# Calcular el nĆŗmero total de datos en todo el data frame
total_data_in_dataframe <- length(unlist(DataNA))
# Calcular el porcentaje de NA en cada columna con respecto al total de datos en toda la muestra
na_percentages_total <- (na_counts / total_data_in_dataframe) * 100
# Crear un data frame con el nĆŗmero y porcentaje de NA por columna
na_summary <- data.frame(
Variable = names(na_counts),
NA_Count = na_counts,
Total_Values = total_values,
NA_Percentage_Per_Column = na_percentages_per_column,
NA_Percentage_Total = na_percentages_total
)
# Convertir las columnas numƩricas a formato decimal
na_summary$NA_Count <- format(na_summary$NA_Count, scientific = FALSE)
na_summary$Total_Values <- format(na_summary$Total_Values, scientific = FALSE)
na_summary$NA_Percentage_Per_Column <- format(na_summary$NA_Percentage_Per_Column, scientific = FALSE)
na_summary$NA_Percentage_Total <- format(na_summary$NA_Percentage_Total, scientific = FALSE)
# Ordenar el data frame por porcentaje total de NA en orden descendente
na_summary <- na_summary[order(-as.numeric(na_summary$NA_Percentage_Total)), ]
# Ver el resumen
print(na_summary)## Variable NA_Count Total_Values
## Estatura Estatura 500420 782250
## GĆ©nero GĆ©nero 1613 782250
## Edad Edad 1043 782250
## Area.Conocimiento Area.Conocimiento 713 782250
## Sub.Area.Conocimiento Sub.Area.Conocimiento 713 782250
## Nivel.AcadƩmico Nivel.AcadƩmico 713 782250
## CĆ³digo.ISO.Pais CĆ³digo.ISO.Pais 4 782250
## PaĆs PaĆs 0 782250
## Oficina.de.registro Oficina.de.registro 0 782250
## Grupo.edad Grupo.edad 0 782250
## Estado.civil Estado.civil 0 782250
## Etnia.de.la.persona Etnia.de.la.persona 0 782250
## LocalizaciĆ³n LocalizaciĆ³n 0 782250
## Cantidad.de.personas Cantidad.de.personas 0 782250
## NA_Percentage_Per_Column NA_Percentage_Total
## Estatura 63.9718759987 4.56941971419
## GĆ©nero 0.2062000639 0.01472857599
## Edad 0.1333333333 0.00952380952
## Area.Conocimiento 0.0911473314 0.00651052367
## Sub.Area.Conocimiento 0.0911473314 0.00651052367
## Nivel.AcadƩmico 0.0911473314 0.00651052367
## CĆ³digo.ISO.Pais 0.0005113455 0.00003652468
## PaĆs 0.0000000000 0.00000000000
## Oficina.de.registro 0.0000000000 0.00000000000
## Grupo.edad 0.0000000000 0.00000000000
## Estado.civil 0.0000000000 0.00000000000
## Etnia.de.la.persona 0.0000000000 0.00000000000
## LocalizaciĆ³n 0.0000000000 0.00000000000
## Cantidad.de.personas 0.0000000000 0.00000000000missmap(DataNA, main="Mapa de Datos Faltantes semiprocesados")
Pruebas De Normalidad
En este estudio, necesitamos verificar si nuestros datos siguen una distribuciĆ³n normal. Como no conocemos la media ni la desviaciĆ³n estĆ”ndar de la poblaciĆ³n, la prueba de Lilliefors es ideal porque permite evaluar la normalidad sin asumir estos parĆ”metros.
clean_data <- na.omit(DataNA$Estatura)
# Realizar la prueba de normalidad (Lilliefors)
resultado_prueba <- lillie.test(clean_data)
print(resultado_prueba)##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: clean_data
## D = 0.094772, p-value < 2.2e-16clean_data_Edad <- na.omit(DataNA$Edad)
# Realizar la prueba de normalidad (Lilliefors)
resultado_prueba_Edad <- lillie.test(clean_data_Edad)
print(resultado_prueba_Edad)##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: clean_data_Edad
## D = 0.061182, p-value < 2.2e-16# Nivel de significancia
nivel_significancia <- 0.05
# Evaluar la hipĆ³tesis
if (!is.na(resultado_prueba$p.value) && resultado_prueba$p.value < nivel_significancia) {
print("Se rechaza la hipĆ³tesis nula, lo que sugiere que la variable Estatura no sigue una distribuciĆ³n normal.")
} else {
print("No se rechaza la hipĆ³tesis nula, lo que sugiere que la variable Estatura sigue una distribuciĆ³n normal.")
}## [1] "Se rechaza la hipĆ³tesis nula, lo que sugiere que la variable Estatura no sigue una distribuciĆ³n normal."# Evaluar la hipĆ³tesis
if (!is.na(resultado_prueba_Edad$p.value) && resultado_prueba_Edad$p.value < nivel_significancia) {
print("Se rechaza la hipĆ³tesis nula, lo que sugiere que la variable Edad no sigue una distribuciĆ³n normal.")
} else {
print("No se rechaza la hipĆ³tesis nula, lo que sugiere que la variable Edad sigue una distribuciĆ³n normal.")
}## [1] "Se rechaza la hipĆ³tesis nula, lo que sugiere que la variable Edad no sigue una distribuciĆ³n normal."# Configurar el Ć”rea de grĆ”ficos para mostrar 1 fila y 3 columnas
par(mfrow = c(1, 3))
# Crear el grƔfico QQ para la variable Estatura
qqnorm(DataNA$Estatura, main = "QQ Plot para la variable Estatura")
qqline(DataNA$Estatura, col = "red", lwd = 2)
# Crear el grƔfico QQ para la variable Edad
qqnorm(DataNA$Edad, main = "QQ Plot para la variable Edad")
qqline(DataNA$Edad, col = "red", lwd = 2)
# Crear el grƔfico QQ para la Cantidad de personas
qqnorm(DataNA$Cantidad.de.personas, main = "QQ Plot para la Cantidad de personas")
qqline(DataNA$Cantidad.de.personas, col = "red", lwd = 2)
# Restablecer la configuraciĆ³n de grĆ”ficos a la predeterminada (opcional)
par(mfrow = c(1, 1))# Definir la funciĆ³n para aplicar el test Lilliefors
lilliefors_test <- function(x) {
# Eliminar NA antes de realizar la prueba
clean_data <- na.omit(x)
# Aplicar el test Lilliefors y extraer el p-value
result <- lillie.test(clean_data)
return(result$p.value)
}
# Aplicar la prueba de Lilliefors a todas las variables numƩricas
normality_tests <- DataNA %>%
summarise(across(where(is.numeric), ~ lilliefors_test(.x))) %>%
pivot_longer(cols = everything(), names_to = "Variable", values_to = "P-Value")
# Agregar una columna indicando si los datos son normales o no
normality_tests <- normality_tests %>%
mutate(Normal = ifelse(`P-Value` < 0.05, "No", "SĆ"))
# Mostrar los resultados
print(normality_tests)## # A tibble: 3 Ć 3
## Variable `P-Value` Normal
## <chr> <dbl> <chr>
## 1 Edad 0 No
## 2 Estatura 0 No
## 3 Cantidad.de.personas 0 NoLimpiezaDe Datos
# FunciĆ³n para rellenar variables cuantitativas con la mediana
rellenar_con_mediana <- function(x) {
x[is.na(x)] <- median(x, na.rm = TRUE)
return(x)
}
# FunciĆ³n para calcular la moda
calcular_moda <- function(x) {
uniq_vals <- unique(na.omit(x))
uniq_vals[which.max(tabulate(match(x, uniq_vals)))]
}
# FunciĆ³n para rellenar NA en variables cualitativas con la moda
rellenar_con_moda <- function(x) {
moda <- calcular_moda(x)
x[is.na(x)] <- moda
return(x)
}
DataNA <- DataNA %>%
mutate(across(where(is.numeric), rellenar_con_mediana)) %>%
mutate(across(where(is.character), rellenar_con_moda)) %>%
mutate(across(where(is.factor), ~ as.character(.) %>% rellenar_con_moda() %>% as.factor()))names(DataNA)## [1] "PaĆs" "CĆ³digo.ISO.Pais" "Oficina.de.registro"
## [4] "Grupo.edad" "Edad" "Area.Conocimiento"
## [7] "Sub.Area.Conocimiento" "Nivel.AcadƩmico" "Estado.civil"
## [10] "GĆ©nero" "Etnia.de.la.persona" "Estatura"
## [13] "LocalizaciĆ³n" "Cantidad.de.personas"summary(DataNA)## PaĆs CĆ³digo.ISO.Pais Oficina.de.registro Grupo.edad
## Length:782250 Length:782250 Length:782250 Length:782250
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Edad Area.Conocimiento Sub.Area.Conocimiento Nivel.AcadƩmico
## Min. : 0.00 Length:782250 Length:782250 Length:782250
## 1st Qu.: 34.00 Class :character Class :character Class :character
## Median : 44.00 Mode :character Mode :character Mode :character
## Mean : 45.85
## 3rd Qu.: 57.00
## Max. :119.00
## Estado.civil GĆ©nero Etnia.de.la.persona Estatura
## Length:782250 Length:782250 Length:782250 Min. : 35.0
## Class :character Class :character Class :character 1st Qu.:165.0
## Mode :character Mode :character Mode :character Median :165.0
## Mean :164.8
## 3rd Qu.:165.0
## Max. :270.0
## LocalizaciĆ³n Cantidad.de.personas
## Length:782250 Min. : 1.000
## Class :character 1st Qu.: 1.000
## Mode :character Median : 1.000
## Mean : 1.983
## 3rd Qu.: 1.000
## Max. :408.000str(DataNA)## 'data.frame': 782250 obs. of 14 variables:
## $ PaĆs : chr "ALEMANIA" "ESPAĆA" "CANADA" "VENEZUELA" ...
## $ CĆ³digo.ISO.Pais : chr "DEU" "ESP" "CAN" "VEN" ...
## $ Oficina.de.registro : chr "C. BERLIN" "C. BARCELONA" "C. MONTREAL" "C. MARACAIBO" ...
## $ Grupo.edad : chr "ADULTO" "ADULTO" "ADULTO" "ADULTO MAYOR" ...
## $ Edad : int 35 36 35 91 51 35 12 58 45 14 ...
## $ Area.Conocimiento : chr "CIENCIAS SOCIALES Y HUMANAS" "NO INDICA" "CIENCIAS SOCIALES Y HUMANAS" "CIENCIAS SOCIALES Y HUMANAS" ...
## $ Sub.Area.Conocimiento: chr "CIENCIA POLĆTICA Y/O RELACIONES INTERNACIONALES" "NO INDICA" "GEOGRAFĆA O HISTORIA" "DERECHO Y AFINES" ...
## $ Nivel.AcadƩmico : chr "PREGRADO - PROFESIONAL" "POSTGRADO - MAESTRIA" "NO INDICA" "NO INDICA" ...
## $ Estado.civil : chr "SOLTERO" "SOLTERO" "SOLTERO" "SOLTERO" ...
## $ GĆ©nero : chr "MASCULINO" "FEMENINO" "FEMENINO" "FEMENINO" ...
## $ Etnia.de.la.persona : chr "NINGUNA" "OTRO" "OTRO" "NINGUNA" ...
## $ Estatura : num 165 165 165 165 169 165 165 165 165 165 ...
## $ LocalizaciĆ³n : chr "(51.165691, 10.451526)" "(40.463667, -3.74922)" "(56.130366, -106.346771)" "(6.42375, -66.58973)" ...
## $ Cantidad.de.personas : num 1 1 1 1 1 1 1 1 1 1 ...dim(DataNA)## [1] 782250 14# Verificar que no haya NA en el nuevo dataframe
missmap(DataNA, main="Mapa de Datos Faltantes")
# Configurar el Ɣrea de grƔficos para mostrar 1 fila y 3 columnas
par(mfrow = c(1, 3))
# Crear el grƔfico QQ para la variable Estatura
qqnorm(DataNA$Estatura, main = "QQ Plot para la variable Estatura")
qqline(DataNA$Estatura, col = "red", lwd = 2)
# Crear el grƔfico QQ para la variable Edad
qqnorm(DataNA$Edad, main = "QQ Plot para la variable Edad")
qqline(DataNA$Edad, col = "red", lwd = 2)
# Crear el grƔfico QQ para la Cantidad de personas
qqnorm(DataNA$Cantidad.de.personas, main = "QQ Plot para la Cantidad de personas")
qqline(DataNA$Cantidad.de.personas, col = "red", lwd = 2)
# Restablecer la configuraciĆ³n de grĆ”ficos a la predeterminada (opcional)
par(mfrow = c(1, 1))
# Eliminar los NA de la columna Estatura (antes de la limpieza)
estatura <- na.omit(Data$Estatura)
# Graficar el histograma
hist(estatura, breaks = 30, probability = TRUE, main = "Histograma con Curva Normal", xlab = "Estatura", col = "lightblue")
# Agregar la curva de densidad de los datos
lines(density(estatura), col = "red", lwd = 2)
# Calcular la media y desviaciĆ³n estĆ”ndar de los datos
mean_estatura <- mean(estatura)
sd_estatura <- sd(estatura)
# Crear la secuencia de valores para la curva normal
x <- seq(min(estatura), max(estatura), length = 100)
# Agregar la curva de la distribuciĆ³n normal teĆ³rica
y <- dnorm(x, mean = mean_estatura, sd = sd_estatura)
lines(x, y, col = "blue", lwd = 2)
# Eliminar los NA de la columna Estatura (despuƩs de la limpieza)
estatura <- na.omit(DataNA$Estatura)
# Graficar el histograma
hist(estatura, breaks = 30, probability = TRUE, main = "Histograma con Curva Normal", xlab = "Estatura", col = "lightblue")
# Agregar la curva de densidad de los datos
lines(density(estatura), col = "red", lwd = 2)
# Calcular la media y desviaciĆ³n estĆ”ndar de los datos
mean_estatura <- mean(estatura)
sd_estatura <- sd(estatura)
# Crear la secuencia de valores para la curva normal
x <- seq(min(estatura), max(estatura), length = 100)
# Agregar la curva de la distribuciĆ³n normal teĆ³rica
y <- dnorm(x, mean = mean_estatura, sd = sd_estatura)
lines(x, y, col = "blue", lwd = 2)
# Configurar la disposiciĆ³n de las grĆ”ficas en una fila y dos columnas
par(mfrow = c(1, 2))
# Primera grƔfica (antes de la limpieza)
# Eliminar los NA de la columna Estatura (antes de la limpieza)
estatura_antes <- na.omit(Data$Estatura)
# Graficar el histograma
hist(estatura_antes, breaks = 30, probability = TRUE, main = "Antes de la Limpieza", xlab = "Estatura", col = "lightblue")
# Agregar la curva de densidad de los datos
#lines(density(estatura_antes), col = "red", lwd = 2)
# Calcular la media y desviaciĆ³n estĆ”ndar de los datos
mean_estatura_antes <- mean(estatura_antes)
sd_estatura_antes <- sd(estatura_antes)
# Crear la secuencia de valores para la curva normal
x_antes <- seq(min(estatura_antes), max(estatura_antes), length = 100)
# Agregar la curva de la distribuciĆ³n normal teĆ³rica
y_antes <- dnorm(x_antes, mean = mean_estatura_antes, sd = sd_estatura_antes)
lines(x_antes, y_antes, col = "blue", lwd = 2)
# Segunda grƔfica (despuƩs de la limpieza)
# Eliminar los NA de la columna Estatura (despuƩs de la limpieza)
estatura_despues <- na.omit(DataNA$Estatura)
# Graficar el histograma
hist(estatura_despues, breaks = 30, probability = TRUE, main = "DespuƩs de la Limpieza", xlab = "Estatura", col = "lightblue")
# Agregar la curva de densidad de los datos
#lines(density(estatura_despues), col = "red", lwd = 2)
# Calcular la media y desviaciĆ³n estĆ”ndar de los datos
mean_estatura_despues <- mean(estatura_despues)
sd_estatura_despues <- sd(estatura_despues)
# Crear la secuencia de valores para la curva normal
x_despues <- seq(min(estatura_despues), max(estatura_despues), length = 100)
# Agregar la curva de la distribuciĆ³n normal teĆ³rica
y_despues <- dnorm(x_despues, mean = mean_estatura_despues, sd = sd_estatura_despues)
lines(x_despues, y_despues, col = "blue", lwd = 2)
# Restablecer la disposiciĆ³n de las grĆ”ficas a una Ćŗnica por ventana
par(mfrow = c(1, 1))Normalizacion De Los Datos
Se ralizara la normalizacion de los datos mediante transformacion logaritmica. En la normalizaciĆ³n de datos solo se tomarĆ”n en cuenta las variables Edad y Cantidad de personas, ya que debido al alto porcentaje de datos irregulares en la variable estatura, se ha decidio sacarla del estudio. Veamos entonces el comportamiento de las variables Edad y Cantidad de personas.
# Configurar la disposiciĆ³n de las grĆ”ficas en una fila y dos columnas
par(mfrow = c(1, 2))
# Eliminar los NA de la columna Edad
estatura_antes <- na.omit(Data$Edad)
# Graficar el histograma
hist(estatura_antes, breaks = 30, probability = TRUE, main = "DistribuciĆ³n Edad", xlab = "Edad", col = "lightblue")
# Agregar la curva de densidad de los datos
#lines(density(estatura_antes), col = "red", lwd = 2)
# Calcular la media y desviaciĆ³n estĆ”ndar de los datos
mean_estatura_antes <- mean(estatura_antes)
sd_estatura_antes <- sd(estatura_antes)
# Crear la secuencia de valores para la curva normal
x_antes <- seq(min(estatura_antes), max(estatura_antes), length = 100)
# Agregar la curva de la distribuciĆ³n normal teĆ³rica
y_antes <- dnorm(x_antes, mean = mean_estatura_antes, sd = sd_estatura_antes)
lines(x_antes, y_antes, col = "blue", lwd = 2)
# Eliminar los NA de la columna cantidad de personas
estatura_despues <- na.omit(DataNA$Cantidad.de.personas)
# Graficar el histograma
hist(estatura_despues, breaks = 30, probability = TRUE, main = "DistribuciĆ³n Cantidad de personas", xlab = "Cantidad de personas", col = "lightblue")
# Agregar la curva de densidad de los datos
#lines(density(estatura_despues), col = "red", lwd = 2)
# Calcular la media y desviaciĆ³n estĆ”ndar de los datos
mean_estatura_despues <- mean(estatura_despues)
sd_estatura_despues <- sd(estatura_despues)
# Crear la secuencia de valores para la curva normal
x_despues <- seq(min(estatura_despues), max(estatura_despues), length = 100)
# Agregar la curva de la distribuciĆ³n normal teĆ³rica
y_despues <- dnorm(x_despues, mean = mean_estatura_despues, sd = sd_estatura_despues)
lines(x_despues, y_despues, col = "blue", lwd = 2)
# Restablecer la disposiciĆ³n de las grĆ”ficas a una Ćŗnica por ventana
par(mfrow = c(1, 1))clean_data <- na.omit(DataNA$Edad)
# Realizar la prueba de normalidad (Lilliefors)
resultado_prueba <- lillie.test(clean_data)
print(resultado_prueba)##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: clean_data
## D = 0.061798, p-value < 2.2e-16clean_data <- na.omit(DataNA$Cantidad.de.personas)
# Realizar la prueba de normalidad (Lilliefors)
resultado_prueba <- lillie.test(clean_data)
print(resultado_prueba)##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: clean_data
## D = 0.43425, p-value < 2.2e-16# Aplicar la transformaciĆ³n logarĆtmica a la columna Edad (sumar 1 para evitar problemas con log(0))
DataNA$Transf_Log <- log(DataNA$Edad + 1)
# Configurar el Ɣrea de grƔficos para mostrar dos histogramas lado a lado
par(mfrow = c(1, 2))
# Graficar el histograma original de la variable Edad
hist(DataNA$Edad, main = "Histograma Original", xlab = "Edad", col = "lightblue", breaks = 20)
# Graficar el histograma de la variable transformada logarĆtmicamente
hist(DataNA$Transf_Log, main = "Histograma Transformado (Log)", xlab = "Edad Transformada", col = "lightgreen", breaks = 20)
# Restaurar configuraciĆ³n de grĆ”ficos a una sola ventana (opcional)
par(mfrow = c(1, 1))Prueba Lilifors Para La Edad Despues De La Transformacion Logaritmica
# Aplicar la prueba de Lilliefors a la variable original Edad
lilliefors_original <- lillie.test(DataNA$Edad)
# Aplicar la prueba de Lilliefors a la variable transformada Transf_Log
lilliefors_transf_log <- lillie.test(DataNA$Transf_Log)
# Imprimir los resultados de la prueba
print(lilliefors_original)##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: DataNA$Edad
## D = 0.061798, p-value < 2.2e-16print(lilliefors_transf_log)##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: DataNA$Transf_Log
## D = 0.061128, p-value < 2.2e-16Prueba Lilifors Para La Variable Cantidad De Personas Despues De La Transformacion Logaritmica
# Aplicar la transformaciĆ³n logarĆtmica a la columna Edad (sumar 1 para evitar problemas con log(0))
DataNA$Transf_Log <- log(DataNA$Cantidad.de.personas + 1)
# Configurar el Ɣrea de grƔficos para mostrar dos histogramas lado a lado
par(mfrow = c(1, 2))
# Graficar el histograma original de la variable Edad
hist(DataNA$Cantidad.de.personas, main = "Histograma Original", xlab = "Cantidad.de.personas", col = "lightblue", breaks = 20)
# Graficar el histograma de la variable transformada logarĆtmicamente
hist(DataNA$Transf_Log, main = "Histograma Transformado (Log)", xlab = "Cantidad.de.personas transformada", col = "lightgreen", breaks = 20)
# Restaurar configuraciĆ³n de grĆ”ficos a una sola ventana (opcional)
par(mfrow = c(1, 1))# Aplicar la prueba de Lilliefors a la variable original Cantidad.de.personas
lilliefors_original <- lillie.test(DataNA$Cantidad.de.personas)
# Aplicar la prueba de Lilliefors a la variable transformada Transf_Log
lilliefors_transf_log <- lillie.test(DataNA$Transf_Log)
# Imprimir los resultados de la prueba
print(lilliefors_original)##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: DataNA$Cantidad.de.personas
## D = 0.43425, p-value < 2.2e-16print(lilliefors_transf_log)##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: DataNA$Transf_Log
## D = 0.44585, p-value < 2.2e-16Notamos que la transformaciĆ³n logarĆtmica no ha logrado mejorar el ajuste a una distribuciĆ³n normal para ninguna de las variables.
Estadistica Descriptiva
#install.packages("kableExtra")
#install.packages("ggthemes")
#install.packages("plotly")
#install.packages("tidyverse")
#install.packages("broom")
library(kableExtra)##
## Attaching package: 'kableExtra'## The following object is masked from 'package:dplyr':
##
## group_rowslibrary(ggplot2)
library(dplyr)
library(gridExtra)
library(ggthemes)
library(plotly)##
## Attaching package: 'plotly'## The following object is masked from 'package:ggplot2':
##
## last_plot## The following object is masked from 'package:stats':
##
## filter## The following object is masked from 'package:graphics':
##
## layoutlibrary(tidyverse)
library(broom)#Analisis Univariado.
# NĆŗmero de paĆses Ćŗnicos
num_paises <- length(unique(DataNA$PaĆs))
print(paste("El numero total de paises es:" , num_paises))## [1] "El numero total de paises es: 193"Ya la cantidad de paises que se encuentran en la base de datos es numerosa, no se verƔ bien en un grƔfico, por lo tanto solo visualizaremos el top 20.
Pais (Top 20).
# Filtrar los datos para los 10 paĆses con mĆ”s registros
top_10_paises <- DataNA %>%
count(PaĆs) %>%
top_n(10, n) %>%
pull(PaĆs)
Data_top10 <- DataNA %>%
filter(PaĆs %in% top_10_paises)
#Filtrar los top 3 paĆses
top_3_paises <- DataNA %>%
count(PaĆs) %>%
top_n(3, n) %>%
pull(PaĆs)
Data_top3 <- DataNA %>%
filter(PaĆs %in% top_3_paises)
# Calcular frecuencias de paĆses
pais_frecuencia <- DataNA %>%
group_by(PaĆs) %>%
summarise(Frecuencia = n()) %>%
arrange(desc(Frecuencia))
# Filtrar los top 20 paĆses
top_20_paises <- pais_frecuencia %>% top_n(20, wt = Frecuencia)
# GrĆ”fico de barras ordenadas para los top 20 paĆses
ggplot(top_20_paises, aes(x = reorder(PaĆs, -Frecuencia), y = Frecuencia)) +
geom_bar(stat = "identity", fill = "#3FA0FFFF") +
theme(axis.text.x = element_text(angle = 45, hjust = 1, size = 10)) +
labs(title = "Top 20 PaĆses con MĆ”s Colombianos Registrados", x = "PaĆs", y = "Cantidad")
# GrĆ”fico de barras ordenadas para los top 20 paĆses con escala logarĆtmica en Y
ggplot(top_20_paises, aes(x = reorder(PaĆs, -Frecuencia), y = Frecuencia)) +
geom_bar(stat = "identity", fill = "#3FA0FFFF") +
scale_y_log10() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, size = 10)) +
labs(title = "Top 20 PaĆses con MĆ”s Colombianos Registrados (Escala LogarĆtmica)",
x = "PaĆs", y = "Cantidad (log10)")
Pais(Top 3).
# Obtener el top 3 de paĆses
top_3_paises <- pais_frecuencia %>% top_n(3, wt = Frecuencia)
# Mostrar el top 3
print(top_3_paises)## # A tibble: 3 Ć 2
## PaĆs Frecuencia
## <chr> <int>
## 1 ESTADOS UNIDOS 215007
## 2 ESPAĆA 147742
## 3 VENEZUELA 105125#Hice grƔfico de barras, pero no se si quieran uno circular.
ggplot(top_3_paises, aes(x = reorder(PaĆs, -Frecuencia), y = Frecuencia)) +
geom_bar(stat = "identity", fill = "#3FA0FFFF") + # Color azul personalizado
geom_text(aes(label = Frecuencia), vjust = -0.3) + # Etiquetas encima de las barras
labs(title = "Top 3 PaĆses con MĆ”s Colombianos Registrados",
x = "PaĆs",
y = "Cantidad") +
theme_minimal() + # Tema minimalista
theme(plot.title = element_text(hjust = 0.5), # Centrar el tĆtulo
axis.text.x = element_text(angle = 45, hjust = 1)) # Rotar las etiquetas del eje x
Grupos de edad (Total).
tabla_edad <- DataNA %>%
group_by(Grupo.edad) %>%
summarise(Frecuencia = n()) %>%
mutate(Porcentaje = round((Frecuencia / sum(Frecuencia)) * 100, 2))
# Mostrar la tabla usando kableExtra
kable(tabla_edad, col.names = c("Grupo de Edad", "Frecuencia", "Porcentaje (%)"),
caption = "DistribuciĆ³n por Grupo de Edad") %>%
kable_styling(full_width = FALSE, bootstrap_options = c("striped","bordered", "responsive", "hover", "condensed"))| Grupo de Edad | Frecuencia | Porcentaje (%) |
|---|---|---|
| ADOLESCENTE | 9780 | 1.25 |
| ADULTO | 533179 | 68.16 |
| ADULTO JOVEN | 68714 | 8.78 |
| ADULTO MAYOR | 159445 | 20.38 |
| DESCONOCIDO | 1018 | 0.13 |
| INFANTE | 7238 | 0.93 |
| PRIMERA INFANCIA | 2876 | 0.37 |
Grafico Barras Grupo Edad.
#Grafico de Barras
ggplot(DataNA, aes(x = Grupo.edad)) +
geom_bar(fill = "#3FA0FFFF", color = "black") + # Color de las barras y bordes
labs(
title = "DistribuciĆ³n por Grupo de Edad",
x = "Grupo de Edad",
y = "Cantidad"
) +
theme_minimal() + # Tema mƔs limpio
theme(
axis.text.x = element_text(angle = 45, hjust = 1), # Ćngulo del texto en el eje x
plot.title = element_text(hjust = 0.5) # Centrar el tĆtulo
)
Grupos de edad (Top 3). Tabla top 3.
# Crear la tabla de frecuencias y porcentajes por grupo de edad para los top 3 paĆses
tabla_gedad_top3 <- Data_top3 %>%
group_by(Grupo.edad) %>%
summarise(Frecuencia = n()) %>%
mutate(Porcentaje = round((Frecuencia / sum(Frecuencia)) * 100, 2))
# Mostrar la tabla usando kableExtra
kable(tabla_gedad_top3, col.names = c("Grupo de Edad", "Frecuencia", "Porcentaje (%)"),
caption = "DistribuciĆ³n por Grupo de Edad en el Top 3 de PaĆses") %>%
kable_styling(full_width = FALSE, bootstrap_options = c("striped", "bordered", "responsive", "hover", "condensed"))| Grupo de Edad | Frecuencia | Porcentaje (%) |
|---|---|---|
| ADOLESCENTE | 4904 | 1.05 |
| ADULTO | 303180 | 64.80 |
| ADULTO JOVEN | 38677 | 8.27 |
| ADULTO MAYOR | 115624 | 24.71 |
| DESCONOCIDO | 607 | 0.13 |
| INFANTE | 3520 | 0.75 |
| PRIMERA INFANCIA | 1362 | 0.29 |
Grafico de Barras.
# Paso 1: Encontrar los 3 paĆses con la mayor cantidad de personas
top_countries <- DataNA %>%
group_by(PaĆs) %>%
summarise(Total_Personas = sum(Cantidad.de.personas, na.rm = TRUE)) %>%
top_n(3, Total_Personas) %>%
pull(PaĆs)
# Paso 2: Filtrar los datos para estos paĆses
Data_top3 <- DataNA %>%
filter(PaĆs %in% top_countries)
# Tabla
ggplot(Data_top3, aes(x = Grupo.edad, fill = PaĆs)) +
geom_bar(position = "dodge", stat = "count") +
labs(title = "DistribuciĆ³n por Edad en los Top 3 PaĆses",
x = "Grupo de Edad",
y = "Cantidad de Personas") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, size = 16),
axis.title = element_text(size = 14),
axis.text.x = element_text(angle = 45, hjust = 1), # Rotar las etiquetas del eje x 45 grados
legend.position = "right" # Colocar la leyenda a la derecha
)
Edad (Total).
# Resumen estadĆstico de la variable Edad en el conjunto de datos completo
resumen_edad_total <- DataNA %>%
summarise(
Minimo = min(Edad, na.rm = TRUE),
Primer_Cuartil = quantile(Edad, 0.25, na.rm = TRUE),
Mediana = median(Edad, na.rm = TRUE),
Media = mean(Edad, na.rm = TRUE),
Tercer_Cuartil = quantile(Edad, 0.75, na.rm = TRUE),
Maximo = max(Edad, na.rm = TRUE),
Desviacion_Estandar = sd(Edad, na.rm = TRUE)
)
# Mostrar el resumen estadĆstico
print(resumen_edad_total)## Minimo Primer_Cuartil Mediana Media Tercer_Cuartil Maximo
## 1 0 34 44 45.84603 57 119
## Desviacion_Estandar
## 1 16.07107# Histograma de la variable Edad en el conjunto de datos completo
ggplot(DataNA, aes(x = Edad)) +
geom_histogram(binwidth = 5, fill = "#3FA0FFFF", color = "black") +
labs(
title = "DistribuciĆ³n de la Edad (Total)",
x = "Edad (aƱos)",
y = "Frecuencia"
) +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, face = "bold", size = 14),
axis.title.x = element_text(face = "bold", size = 12),
axis.title.y = element_text(face = "bold", size = 12)
)
# Boxplot horizontal para la variable Edad en el conjunto de datos completo
ggplot(DataNA, aes(x = Edad)) +
geom_boxplot(fill = "#3FA0FFFF", color = "black", outlier.color = "red", outlier.shape = 16, outlier.size = 2) +
labs(
title = "DistribuciĆ³n de la Edad",
x = "Edad (aƱos)"
) +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, face = "bold", size = 14),
axis.title.x = element_text(face = "bold", size = 12),
axis.text.x = element_text(size = 10),
axis.text.y = element_blank(),
axis.ticks.y = element_blank()
)
Edad (Top 3).
# Resumen estadĆstico de la variable Edad en el top 3 de paĆses
resumen_edad_top <- Data_top3 %>%
summarise(
Minimo = min(Edad, na.rm = TRUE),
Primer_Cuartil = quantile(Edad, 0.25, na.rm = TRUE),
Mediana = median(Edad, na.rm = TRUE),
Media = mean(Edad, na.rm = TRUE),
Tercer_Cuartil = quantile(Edad, 0.75, na.rm = TRUE),
Maximo = max(Edad, na.rm = TRUE),
Desviacion_Estandar = sd(Edad, na.rm = TRUE)
)
# Mostrar el resumen estadĆstico
print(resumen_edad_top)## Minimo Primer_Cuartil Mediana Media Tercer_Cuartil Maximo
## 1 0 35 46 47.7773 59 119
## Desviacion_Estandar
## 1 16.65299# Histograma de la variable Edad en el top 3 de paĆses
ggplot(Data_top3, aes(x = Edad)) +
geom_histogram(binwidth = 5, fill = "#3FA0FFFF", color = "black") +
labs(
title = "DistribuciĆ³n de la Edad en el Top 3 de PaĆses",
x = "Edad (aƱos)",
y = "Frecuencia"
) +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, face = "bold", size = 14),
axis.title.x = element_text(face = "bold", size = 12),
axis.title.y = element_text(face = "bold", size = 12)
)
# Boxplot horizontal para la variable Edad en el top 3 de paĆses
ggplot(Data_top3, aes(x = Edad)) +
geom_boxplot(fill = "#3FA0FFFF", color = "black", outlier.color = "red", outlier.shape = 16, outlier.size = 2) +
labs(
title = "DistribuciĆ³n de la Edad en el Top 3 de PaĆses",
x = "Edad (aƱos)"
) +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, face = "bold", size = 14),
axis.title.x = element_text(face = "bold", size = 12),
axis.text.x = element_text(size = 10),
axis.text.y = element_blank(),
axis.ticks.y = element_blank()
)
Ćrea de Conocimiento (Total).
# Calcular la tabla de frecuencia y porcentaje
tabla_area_conocimiento <- DataNA %>%
group_by(Area.Conocimiento) %>%
summarise(
Frecuencia = n(),
Porcentaje = round((n() / nrow(DataNA)) * 100, 2)
) %>%
arrange(desc(Frecuencia))
# Mostrar la tabla de frecuencia y porcentaje con kable
kable(tabla_area_conocimiento, col.names = c("Ćrea de Conocimiento", "Frecuencia", "Porcentaje (%)"),
caption = "DistribuciĆ³n por Ćrea de Conocimiento") %>%
kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>%
column_spec(1, bold = TRUE, width = "15em") %>%
column_spec(2, width = "5em") %>%
column_spec(3, width = "5em")| Ćrea de Conocimiento | Frecuencia | Porcentaje (%) |
|---|---|---|
| NO INDICA | 209936 | 26.84 |
| NINGUNA | 190204 | 24.31 |
| INGENIERĆA, ARQUITECTURA Y AFINES | 95939 | 12.26 |
| ECONOMĆA, ADMINISTRACIĆN CONTADURIA Y AFINES | 88555 | 11.32 |
| CIENCIAS SOCIALES Y HUMANAS | 60682 | 7.76 |
| CIENCIAS DE LA SALUD | 60672 | 7.76 |
| BELLAS ARTES | 28818 | 3.68 |
| CIENCIAS DE LA EDUCACIĆN | 23230 | 2.97 |
| MATEMĆTICAS Y CIENCIAS NATURALES | 10962 | 1.40 |
| AGRONOMĆA, VETERINARIA Y AFINES | 5047 | 0.65 |
| COCINA Y CULINARIA | 3588 | 0.46 |
| AGRONOMĆA, VETERINARIA Y ZOOTECNIA | 2725 | 0.35 |
| AVIACIĆN | 1892 | 0.24 |
# GrƔfico de barras
ggplot(DataNA, aes(x = reorder(Area.Conocimiento, -table(Area.Conocimiento)[Area.Conocimiento]), y = ..count..)) +
geom_bar(fill = "#3FA0FFFF", color = "black") +
theme_minimal() +
labs(title = "DistribuciĆ³n por Ćrea de Conocimiento",
x = "Ćrea de Conocimiento",
y = "Cantidad") +
theme(
axis.text.x = element_text(angle = 45, hjust = 1),
)## Warning: The dot-dot notation (`..count..`) was deprecated in ggplot2 3.4.0.
## ā¹ Please use `after_stat(count)` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
Ćrea de Conocimiento (Top 3).
tabla_area_conocimiento <- Data_top3 %>%
group_by(Area.Conocimiento) %>%
summarise(
Frecuencia = n(),
Porcentaje = round((n() / nrow(Data_top3)) * 100, 2)
) %>%
arrange(desc(Frecuencia))
# Mostrar la tabla de frecuencia y porcentaje con kable
kable(tabla_area_conocimiento, col.names = c("Ćrea de Conocimiento", "Frecuencia", "Porcentaje (%)"),
caption = "DistribuciĆ³n por Ćrea de Conocimiento en los Top 3 PaĆses") %>%
kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>%
column_spec(1, bold = TRUE, width = "15em") %>%
column_spec(2, width = "5em") %>%
column_spec(3, width = "5em")| Ćrea de Conocimiento | Frecuencia | Porcentaje (%) |
|---|---|---|
| NO INDICA | 131154 | 28.03 |
| NINGUNA | 113581 | 24.28 |
| INGENIERĆA, ARQUITECTURA Y AFINES | 53161 | 11.36 |
| ECONOMĆA, ADMINISTRACIĆN CONTADURIA Y AFINES | 52203 | 11.16 |
| CIENCIAS DE LA SALUD | 38959 | 8.33 |
| CIENCIAS SOCIALES Y HUMANAS | 34744 | 7.43 |
| BELLAS ARTES | 16262 | 3.48 |
| CIENCIAS DE LA EDUCACIĆN | 14666 | 3.13 |
| MATEMĆTICAS Y CIENCIAS NATURALES | 5166 | 1.10 |
| AGRONOMĆA, VETERINARIA Y AFINES | 2701 | 0.58 |
| COCINA Y CULINARIA | 2301 | 0.49 |
| AGRONOMĆA, VETERINARIA Y ZOOTECNIA | 1705 | 0.36 |
| AVIACIĆN | 1271 | 0.27 |
# GrƔfico de barras
ggplot(Data_top3, aes(x = reorder(Area.Conocimiento, -table(Area.Conocimiento)[Area.Conocimiento]), y = ..count..)) +
geom_bar(fill = "#3FA0FFFF", color = "black") +
theme_minimal() +
labs(title = "DistribuciĆ³n por Ćrea de Conocimiento",
x = "Ćrea de Conocimiento",
y = "Cantidad") +
theme(
axis.text.x = element_text(angle = 45, hjust = 1),
)
Nivel AcadƩmico (Total). Tabla.
# Calcular la tabla de frecuencia
tabla_frecuencia <- DataNA %>%
group_by(Nivel.AcadƩmico) %>%
summarise(
Frecuencia = n(),
Porcentaje = round((n() / nrow(DataNA)) * 100, 2)
) %>%
arrange(desc(Frecuencia))
# Mostrar la tabla de frecuencia con kable
kable(tabla_frecuencia, col.names = c("Nivel AcadƩmico", "Frecuencia", "Porcentaje (%)"),
caption = "DistribuciĆ³n por Nivel AcadĆ©mico") %>%
kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>%
column_spec(1, bold = TRUE, width = "15em") %>%
column_spec(2, width = "5em") %>%
column_spec(3, width = "5em")| Nivel AcadƩmico | Frecuencia | Porcentaje (%) |
|---|---|---|
| NO INDICA | 272179 | 34.79 |
| BACHILLERATO | 148056 | 18.93 |
| PREGRADO - PROFESIONAL | 137517 | 17.58 |
| PRIMARIA | 65411 | 8.36 |
| PREGRADO - TĆCNICO PROFESIONAL | 52792 | 6.75 |
| POSTGRADO - MAESTRIA | 32865 | 4.20 |
| PREGRADO - TECNOLĆGICO | 28101 | 3.59 |
| POSTGRADO - ESPECIALIZACIĆN | 20619 | 2.64 |
| NINGUNO | 17062 | 2.18 |
| POSTGRADO - DOCTORADO | 7468 | 0.95 |
| SIN PROFESIĆN | 180 | 0.02 |
Barras apilado.
# Definir la paleta de colores
paleta_colores <- c(
"NINGUNO" = "#FFAD72FF",
"SIN PROFESIĆN" = "#F76D5EFF",
"PRIMARIA" = "#FFE099FF",
"BACHILLERATO" = "#FFFFBFFF",
"PREGRADO - TĆCNICO PROFESIONAL" = "#E0FFFFFF",
"PREGRADO - TECNOLĆGICO" = "#AAF7FFFF",
"PREGRADO - PROFESIONAL" = "#72D9FFFF",
"POSTGRADO - MAESTRIA" = "#3FA0FFFF",
"POSTGRADO - ESPECIALIZACIĆN" = "#264DFFFF",
"POSTGRADO - DOCTORADO" = "#290AD8FF",
"NO INDICA" = "#A50021FF"
)
# Ordenar los niveles acadƩmicos de menor a mayor
DataNA <- DataNA %>%
mutate(Nivel.AcadƩmico = factor(Nivel.AcadƩmico,
levels = c("NO INDICA","NINGUNO", "SIN PROFESIĆN",
"PRIMARIA", "BACHILLERATO",
"PREGRADO - TĆCNICO PROFESIONAL",
"PREGRADO - TECNOLĆGICO",
"PREGRADO - PROFESIONAL",
"POSTGRADO - MAESTRIA",
"POSTGRADO - ESPECIALIZACIĆN",
"POSTGRADO - DOCTORADO")))
ggplot(DataNA, aes(x = "", fill = Nivel.AcadƩmico)) +
geom_bar(width = 1, stat = "count") +
scale_fill_manual(values = paleta_colores) + # Aplicar la paleta de colores
labs(title = "DistribuciĆ³n por Nivel AcadĆ©mico",
x = "",
y = "Cantidad",
fill = "Nivel AcadƩmico") +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, face = "bold", size = 14),
axis.title.x = element_text(face = "bold", size = 12),
axis.title.y = element_text(face = "bold", size = 12),
axis.text.x = element_text(angle = 45, hjust = 1, size = 10),
axis.text.y = element_text(size = 10),
panel.grid.major.x = element_blank(),
panel.grid.minor.x = element_blank()
)
Nivel AcadƩmico (Top 3). Tabla.
# Calcular la tabla de frecuencia
tabla_frecuencia <- Data_top3 %>%
group_by(Nivel.AcadƩmico) %>%
summarise(
Frecuencia = n(),
Porcentaje = round((n() / nrow(Data_top3)) * 100, 2)
) %>%
arrange(desc(Frecuencia))
# Mostrar la tabla de frecuencia con kable
kable(tabla_frecuencia, col.names = c("Nivel AcadƩmico", "Frecuencia", "Porcentaje (%)"),
caption = "DistribuciĆ³n por Nivel AcadĆ©mico") %>%
kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>%
column_spec(1, bold = TRUE, width = "15em") %>%
column_spec(2, width = "5em") %>%
column_spec(3, width = "5em")| Nivel AcadƩmico | Frecuencia | Porcentaje (%) |
|---|---|---|
| NO INDICA | 148262 | 31.69 |
| BACHILLERATO | 94906 | 20.28 |
| PREGRADO - PROFESIONAL | 81721 | 17.47 |
| PRIMARIA | 46345 | 9.91 |
| PREGRADO - TĆCNICO PROFESIONAL | 36950 | 7.90 |
| PREGRADO - TECNOLĆGICO | 19290 | 4.12 |
| POSTGRADO - MAESTRIA | 14915 | 3.19 |
| NINGUNO | 11764 | 2.51 |
| POSTGRADO - ESPECIALIZACIĆN | 9825 | 2.10 |
| POSTGRADO - DOCTORADO | 3762 | 0.80 |
| SIN PROFESIĆN | 134 | 0.03 |
Apilado.
# Ordenar los niveles acadƩmicos de menor a mayor
Data_top3 <- Data_top3 %>%
mutate(Nivel.AcadƩmico = factor(Nivel.AcadƩmico,
levels = c("NO INDICA","NINGUNO", "SIN PROFESIĆN",
"PRIMARIA", "BACHILLERATO",
"PREGRADO - TĆCNICO PROFESIONAL",
"PREGRADO - TECNOLĆGICO",
"PREGRADO - PROFESIONAL",
"POSTGRADO - MAESTRIA",
"POSTGRADO - ESPECIALIZACIĆN",
"POSTGRADO - DOCTORADO")))
ggplot(Data_top3, aes(PaĆs, fill = Nivel.AcadĆ©mico)) +
geom_bar( stat = "count") +
scale_fill_manual(values = paleta_colores) + # Aplicar la paleta de colores
labs(title = "DistribuciĆ³n por Nivel AcadĆ©mico",
x = "",
y = "Cantidad",
fill = "Nivel AcadƩmico") +
theme_bw() +
theme(
plot.title = element_text(hjust = 0.5, face = "bold", size = 14),
axis.title.x = element_text(face = "bold", size = 12),
axis.title.y = element_text(face = "bold", size = 12),
axis.text.x = element_text(angle = 45, hjust = 1, size = 10),
axis.text.y = element_text(size = 10),
panel.grid.major.x = element_blank(),
panel.grid.minor.x = element_blank()
)
Estado Civil (Total). Tabla.
# Tabla de frecuencia y porcentaje para Estado Civil
tabla_estado_civil <- DataNA%>%
group_by(Estado.civil) %>%
summarise(
Frecuencia = n(),
Porcentaje = round((n() / nrow(DataNA)) * 100, 2)
) %>%
arrange(desc(Frecuencia))
# Mostrar la tabla usando kable
kable(tabla_estado_civil, col.names = c("Estado Civil", "Frecuencia", "Porcentaje (%)"),
caption = "DistribuciĆ³n por Estado Civil") %>%
kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>%
column_spec(1, bold = TRUE, width = "15em") %>%
column_spec(2, width = "5em") %>%
column_spec(3, width = "5em")| Estado Civil | Frecuencia | Porcentaje (%) |
|---|---|---|
| SOLTERO | 325863 | 41.66 |
| CASADO | 265168 | 33.90 |
| UNION_LIBRE | 65410 | 8.36 |
| DESCONOCIDO | 56712 | 7.25 |
| DIVORCIADO | 48731 | 6.23 |
| VIUDO | 17310 | 2.21 |
| SEPARADO_MATRIMONIO | 2042 | 0.26 |
| SEPARADO_UNION_LIBRE | 1014 | 0.13 |
# GrƔfico de barras
ggplot(DataNA, aes(x = reorder(Estado.civil, -table(Estado.civil)[Estado.civil]))) +
geom_bar(fill = "#3FA0FFFF", color = "black") +
theme_minimal() +
labs(title = "DistribuciĆ³n por Estado Civil (Total)",
x = "Estado Civil",
y = "Cantidad") +
theme(
plot.title = element_text(hjust = 0.5, face = "bold", size = 14),
axis.title.x = element_text(face = "bold", size = 12),
axis.title.y = element_text(face = "bold", size = 12),
axis.text.x = element_text(angle = 45, hjust = 1, size = 10),
axis.text.y = element_text(size = 10)
)
Estado Civil (Top 3).
# GrĆ”fico de barras para Estado Civil en el top 3 de paĆses
ggplot(Data_top3, aes(x = reorder(Estado.civil, -table(Estado.civil)[Estado.civil]), fill = PaĆs)) +
geom_bar(position = "dodge", color = "black") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
labs(title = "DistribuciĆ³n por Estado Civil en el Top 3 de PaĆses",
x = "Estado Civil",
y = "Cantidad",
fill = "PaĆs") +
theme(
plot.title = element_text(hjust = 0.5, face = "bold", size = 14),
axis.title.x = element_text(face = "bold", size = 12),
axis.title.y = element_text(face = "bold", size = 12),
axis.text.x = element_text(angle = 45, hjust = 1, size = 10),
axis.text.y = element_text(size = 10),
legend.position = "top"
)
GĆ©nero (Total).
# Tabla de frecuencia y porcentaje para GĆ©nero
tabla_genero <- DataNA %>%
group_by(GĆ©nero) %>%
summarise(
Frecuencia = n(),
Porcentaje = round((n() / nrow(DataNA)) * 100, 2)
) %>%
arrange(desc(Frecuencia))
# Mostrar la tabla usando kable
kable(tabla_genero, col.names = c("GĆ©nero", "Frecuencia", "Porcentaje (%)"),
caption = "DistribuciĆ³n por GĆ©nero") %>%
kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>%
column_spec(1, bold = TRUE, width = "15em") %>%
column_spec(2, width = "5em") %>%
column_spec(3, width = "5em")| GĆ©nero | Frecuencia | Porcentaje (%) |
|---|---|---|
| FEMENINO | 432511 | 55.29 |
| MASCULINO | 349732 | 44.71 |
| NO_BINARIO | 7 | 0.00 |
# GrƔfico de barras
ggplot(DataNA, aes(x = GĆ©nero)) +
geom_bar() +
labs(title = "DistribuciĆ³n por GĆ©nero", x = "GĆ©nero", y = "Cantidad")
# Calcular frecuencias y porcentajes
data_summary <- DataNA %>%
group_by(GĆ©nero) %>%
summarise(Frecuencia = n()) %>%
mutate(Porcentaje = round((Frecuencia / sum(Frecuencia)) * 100, 2))
# Crear el grƔfico de pastel
fig <- plot_ly(data_summary,
labels = ~GĆ©nero,
values = ~Frecuencia,
type = 'pie',
textinfo = 'label+percent',
marker = list(colors = c("#DD75D3FF", "#7E8CF3FF", "#719F47FF")),
showlegend = TRUE) %>%
layout(title = 'DistribuciĆ³n por GĆ©nero',
xaxis = list(showgrid = TRUE, zeroline = TRUE),
yaxis = list(showgrid = TRUE, zeroline = TRUE))
# Mostrar el grƔfico
figGĆ©nero (Top 3).
# GrĆ”fico de barras apiladas para GĆ©nero en el top 3 de paĆses
ggplot(Data_top3, aes(x = reorder(GĆ©nero, -table(GĆ©nero)[GĆ©nero]), fill = PaĆs)) +
geom_bar(position = "dodge", color = "black") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
labs(title = "DistribuciĆ³n por GĆ©nero en el Top 3 de PaĆses",
x = "GĆ©nero",
y = "Cantidad",
fill = "PaĆs") +
theme(
plot.title = element_text(hjust = 0.5, face = "bold", size = 14),
axis.title.x = element_text(face = "bold", size = 12),
axis.title.y = element_text(face = "bold", size = 12),
axis.text.x = element_text(size = 10),
axis.text.y = element_text(size = 10),
legend.position = "top"
)
Etnia de la Persona (Total).
# Tabla de frecuencia
table(DataNA$Etnia.de.la.persona)##
## AFRODESCENDIENTE GITANO
## 17162 422
## INDĆGENA NINGUNA
## 3503 394827
## OTRO PALENQUERO DE SAN BASILIO
## 323110 149
## RAIZAL DEL ARCHIPIELAGO DE SAN ANDRES SIN ETNIA REGISTRADA
## 435 42642# GrƔfico de barras horizontal para Etnia
ggplot(DataNA, aes(x = reorder(Etnia.de.la.persona, -table(Etnia.de.la.persona)[Etnia.de.la.persona]))) +
geom_bar(fill = "#719F47FF", color = "black") +
theme_minimal() +
labs(title = "DistribuciĆ³n por Etnia de la Persona",
x = "Cantidad",
y = "Etnia") +
theme(
plot.title = element_text(hjust = 0.5, face = "bold", size = 14),
axis.title.x = element_text(face = "bold", size = 12),
axis.title.y = element_text(face = "bold", size = 12),
axis.text.x = element_text(size = 10),
axis.text.y = element_text(size = 10)
) +
coord_flip() # Voltear para una lectura mƔs fƔcil
Etnia de la Persona (Top 3).
# GrĆ”fico de barras apiladas horizontal para Etnia en el top 3 de paĆses
ggplot(Data_top3, aes(x = reorder(Etnia.de.la.persona, -table(Etnia.de.la.persona)[Etnia.de.la.persona]), fill = PaĆs)) +
geom_bar(position = "dodge", color = "black") +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
labs(title = "DistribuciĆ³n por Etnia en el Top 3 de PaĆses",
x = "Etnia",
y = "Cantidad",
fill = "PaĆs") +
theme(
plot.title = element_text(hjust = 0.5, face = "bold", size = 14),
axis.title.x = element_text(face = "bold", size = 12),
axis.title.y = element_text(face = "bold", size = 12),
axis.text.x = element_text(size = 10),
axis.text.y = element_text(size = 10),
legend.position = "top"
) +
coord_flip() # Voltear para una lectura mƔs fƔcil
#Analisis Multivariado. RelaciĆ³n entre GĆ©nero y Nivel AcadĆ©mico Esto estĆ” pendiente, no confio en el resultado, me parece que tenemos un falso positivo, Error tipo 1, plis soluciones. HipĆ³tesis: Existen diferencias significativas en el nivel acadĆ©mico alcanzado entre gĆ©neros.
# Tabla de contingencia
tabla_genero_academico <- table(DataNA$GƩnero, DataNA$Nivel.AcadƩmico)
print(tabla_genero_academico)##
## NO INDICA NINGUNO SIN PROFESIĆN PRIMARIA BACHILLERATO
## FEMENINO 149409 8994 104 34677 80586
## MASCULINO 122770 8068 76 30734 67466
## NO_BINARIO 0 0 0 0 4
##
## PREGRADO - TĆCNICO PROFESIONAL PREGRADO - TECNOLĆGICO
## FEMENINO 30344 15355
## MASCULINO 22448 12746
## NO_BINARIO 0 0
##
## PREGRADO - PROFESIONAL POSTGRADO - MAESTRIA
## FEMENINO 79390 18353
## MASCULINO 58125 14511
## NO_BINARIO 2 1
##
## POSTGRADO - ESPECIALIZACIĆN POSTGRADO - DOCTORADO
## FEMENINO 11890 3409
## MASCULINO 8729 4059
## NO_BINARIO 0 0# Prueba de Chi-cuadrado
prueba_chi_genero_academico <- chisq.test(tabla_genero_academico)## Warning in stats::chisq.test(x, y, ...): Chi-squared approximation may be
## incorrectprueba_chi_genero_academico##
## Pearson's Chi-squared test
##
## data: tabla_genero_academico
## X-squared = 1027.3, df = 20, p-value < 2.2e-16# Verificar conteos esperados
prueba_chi_genero_academico$expected##
## NO INDICA NINGUNO SIN PROFESIĆN PRIMARIA BACHILLERATO
## FEMENINO 1.504895e+05 9433.6883119 99.523144775 3.616616e+04 81861.104015
## MASCULINO 1.216871e+05 7628.1590080 80.475244487 2.924426e+04 66193.571099
## NO_BINARIO 2.435606e+00 0.1526801 0.001610738 5.853333e-01 1.324886
##
## PREGRADO - TĆCNICO PROFESIONAL PREGRADO - TECNOLĆGICO
## FEMENINO 2.918903e+04 1.553722e+04
## MASCULINO 2.360250e+04 1.256353e+04
## NO_BINARIO 4.724116e-01 2.514631e-01
##
## PREGRADO - PROFESIONAL POSTGRADO - MAESTRIA
## FEMENINO 76034.023889 18171.267517
## MASCULINO 61481.745534 14693.438389
## NO_BINARIO 1.230577 0.294094
##
## POSTGRADO - ESPECIALIZACIĆN POSTGRADO - DOCTORADO
## FEMENINO 1.140038e+04 4.129105e+03
## MASCULINO 9.218439e+03 3.338828e+03
## NO_BINARIO 1.845101e-01 6.682774e-02# VisualizaciĆ³n
ggplot(DataNA, aes(x = Nivel.AcadƩmico, fill = GƩnero)) +
geom_bar(position = "dodge") +
scale_fill_manual(values = c("#DD75D3FF", "#7E8CF3FF", "#719F47FF")) +
labs(title = "DistribuciĆ³n del Nivel AcadĆ©mico por GĆ©nero",
x = "Nivel AcadƩmico",
y = "Cantidad") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
RelaciĆ³n entre PaĆs y Ćrea de Conocimiento HipĆ³tesis: Ciertos paĆses tienen una mayor concentraciĆ³n de personas en determinadas Ć”reas de conocimiento.
# Tabla de contingencia
tabla_pais_area <- table(Data_top10$PaĆs, Data_top10$Area.Conocimiento)
# Prueba de Chi-cuadrado
prueba_chi_pais_area <- chisq.test(tabla_pais_area)
prueba_chi_pais_area##
## Pearson's Chi-squared test
##
## data: tabla_pais_area
## X-squared = 66389, df = 108, p-value < 2.2e-16# VisualizaciĆ³n
ggplot(Data_top10, aes(x = Area.Conocimiento, fill = PaĆs)) +
geom_bar(position = "dodge") +
labs(title = "DistribuciĆ³n del Ćrea de Conocimiento por PaĆs (Top 10 PaĆses)",
x = "Ćrea de Conocimiento",
y = "Cantidad") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
#Esto es para ver el top 3
# Tabla de contingencia top 3
tabla_pais_area <- table(Data_top3$PaĆs, Data_top3$Area.Conocimiento)
# Prueba de Chi-cuadrado
prueba_chi_pais_area <- chisq.test(tabla_pais_area)
prueba_chi_pais_area##
## Pearson's Chi-squared test
##
## data: tabla_pais_area
## X-squared = 40736, df = 24, p-value < 2.2e-16# VisualizaciĆ³n
ggplot(Data_top3, aes(x = Area.Conocimiento, fill = PaĆs)) +
geom_bar(position = "dodge") +
labs(title = "DistribuciĆ³n del Ćrea de Conocimiento por PaĆs (Top 3 PaĆses)",
x = "Ćrea de Conocimiento",
y = "Cantidad") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
RelaciĆ³n entre PaĆs y GĆ©nero (Top 10 PaĆses) HipĆ³tesis: Existen diferencias significativas en la proporciĆ³n de gĆ©nero entre los top 10 paĆses.
# Tabla de contingencia
tabla_pais_genero <- table(DataNA$PaĆs, DataNA$GĆ©nero)
# Prueba de Chi-cuadrado
prueba_chi_pais_genero <- chisq.test(tabla_pais_genero)## Warning in stats::chisq.test(x, y, ...): Chi-squared approximation may be
## incorrectprueba_chi_pais_genero##
## Pearson's Chi-squared test
##
## data: tabla_pais_genero
## X-squared = 4057.7, df = 384, p-value < 2.2e-16# VisualizaciĆ³n
ggplot(Data_top10, aes(x = PaĆs, fill = GĆ©nero)) +
geom_bar(position = "dodge") +
labs(title = "DistribuciĆ³n de GĆ©nero por PaĆs",
x = "PaĆs",
y = "Cantidad") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
RelaciĆ³n entre Edad y Nivel AcadĆ©mico HipĆ³tesis: El nivel acadĆ©mico tiende a aumentar con la edad.
# ANOVA para comparar la Edad media entre los diferentes Niveles AcadƩmicos
anova_edad_nivel <- aov(Edad ~ Nivel.AcadƩmico, data = DataNA)
summary(anova_edad_nivel)## Df Sum Sq Mean Sq F value Pr(>F)
## Nivel.AcadƩmico 10 3614823 361482 1425 <2e-16 ***
## Residuals 782239 198423985 254
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1# Realizar el test post-hoc de Tukey
tukey_result <- TukeyHSD(anova_edad_nivel)
# Mostrar los resultados
print(tukey_result)## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = Edad ~ Nivel.AcadƩmico, data = DataNA)
##
## $Nivel.AcadƩmico
## diff
## NINGUNO-NO INDICA -3.76008382
## SIN PROFESIĆN-NO INDICA 0.78900903
## PRIMARIA-NO INDICA 5.54508506
## BACHILLERATO-NO INDICA 2.66873337
## PREGRADO - TĆCNICO PROFESIONAL-NO INDICA -2.10136493
## PREGRADO - TECNOLĆGICO-NO INDICA -2.08067058
## PREGRADO - PROFESIONAL-NO INDICA -0.40639760
## POSTGRADO - MAESTRIA-NO INDICA -2.01739089
## POSTGRADO - ESPECIALIZACIĆN-NO INDICA 0.57727228
## POSTGRADO - DOCTORADO-NO INDICA 1.75408372
## SIN PROFESIĆN-NINGUNO 4.54909285
## PRIMARIA-NINGUNO 9.30516888
## BACHILLERATO-NINGUNO 6.42881719
## PREGRADO - TĆCNICO PROFESIONAL-NINGUNO 1.65871889
## PREGRADO - TECNOLĆGICO-NINGUNO 1.67941324
## PREGRADO - PROFESIONAL-NINGUNO 3.35368622
## POSTGRADO - MAESTRIA-NINGUNO 1.74269293
## POSTGRADO - ESPECIALIZACIĆN-NINGUNO 4.33735610
## POSTGRADO - DOCTORADO-NINGUNO 5.51416754
## PRIMARIA-SIN PROFESIĆN 4.75607603
## BACHILLERATO-SIN PROFESIĆN 1.87972434
## PREGRADO - TĆCNICO PROFESIONAL-SIN PROFESIĆN -2.89037396
## PREGRADO - TECNOLĆGICO-SIN PROFESIĆN -2.86967961
## PREGRADO - PROFESIONAL-SIN PROFESIĆN -1.19540663
## POSTGRADO - MAESTRIA-SIN PROFESIĆN -2.80639992
## POSTGRADO - ESPECIALIZACIĆN-SIN PROFESIĆN -0.21173675
## POSTGRADO - DOCTORADO-SIN PROFESIĆN 0.96507469
## BACHILLERATO-PRIMARIA -2.87635169
## PREGRADO - TĆCNICO PROFESIONAL-PRIMARIA -7.64644999
## PREGRADO - TECNOLĆGICO-PRIMARIA -7.62575563
## PREGRADO - PROFESIONAL-PRIMARIA -5.95148265
## POSTGRADO - MAESTRIA-PRIMARIA -7.56247594
## POSTGRADO - ESPECIALIZACIĆN-PRIMARIA -4.96781277
## POSTGRADO - DOCTORADO-PRIMARIA -3.79100134
## PREGRADO - TĆCNICO PROFESIONAL-BACHILLERATO -4.77009830
## PREGRADO - TECNOLĆGICO-BACHILLERATO -4.74940395
## PREGRADO - PROFESIONAL-BACHILLERATO -3.07513097
## POSTGRADO - MAESTRIA-BACHILLERATO -4.68612426
## POSTGRADO - ESPECIALIZACIĆN-BACHILLERATO -2.09146109
## POSTGRADO - DOCTORADO-BACHILLERATO -0.91464965
## PREGRADO - TECNOLĆGICO-PREGRADO - TĆCNICO PROFESIONAL 0.02069435
## PREGRADO - PROFESIONAL-PREGRADO - TĆCNICO PROFESIONAL 1.69496733
## POSTGRADO - MAESTRIA-PREGRADO - TĆCNICO PROFESIONAL 0.08397404
## POSTGRADO - ESPECIALIZACIĆN-PREGRADO - TĆCNICO PROFESIONAL 2.67863721
## POSTGRADO - DOCTORADO-PREGRADO - TĆCNICO PROFESIONAL 3.85544865
## PREGRADO - PROFESIONAL-PREGRADO - TECNOLĆGICO 1.67427298
## POSTGRADO - MAESTRIA-PREGRADO - TECNOLĆGICO 0.06327969
## POSTGRADO - ESPECIALIZACIĆN-PREGRADO - TECNOLĆGICO 2.65794286
## POSTGRADO - DOCTORADO-PREGRADO - TECNOLĆGICO 3.83475430
## POSTGRADO - MAESTRIA-PREGRADO - PROFESIONAL -1.61099329
## POSTGRADO - ESPECIALIZACIĆN-PREGRADO - PROFESIONAL 0.98366988
## POSTGRADO - DOCTORADO-PREGRADO - PROFESIONAL 2.16048132
## POSTGRADO - ESPECIALIZACIĆN-POSTGRADO - MAESTRIA 2.59466317
## POSTGRADO - DOCTORADO-POSTGRADO - MAESTRIA 3.77147461
## POSTGRADO - DOCTORADO-POSTGRADO - ESPECIALIZACIĆN 1.17681144
## lwr
## NINGUNO-NO INDICA -4.1646497
## SIN PROFESIĆN-NO INDICA -3.0331513
## PRIMARIA-NO INDICA 5.3218596
## BACHILLERATO-NO INDICA 2.5031917
## PREGRADO - TĆCNICO PROFESIONAL-NO INDICA -2.3451530
## PREGRADO - TECNOLĆGICO-NO INDICA -2.4018714
## PREGRADO - PROFESIONAL-NO INDICA -0.5759980
## POSTGRADO - MAESTRIA-NO INDICA -2.3167474
## POSTGRADO - ESPECIALIZACIĆN-NO INDICA 0.2069972
## POSTGRADO - DOCTORADO-NO INDICA 1.1528031
## SIN PROFESIĆN-NINGUNO 0.7080939
## PRIMARIA-NINGUNO 8.8644952
## BACHILLERATO-NINGUNO 6.0143684
## PREGRADO - TĆCNICO PROFESIONAL-NINGUNO 1.2072808
## PREGRADO - TECNOLĆGICO-NINGUNO 1.1818857
## PREGRADO - PROFESIONAL-NINGUNO 2.9375997
## POSTGRADO - MAESTRIA-NINGUNO 1.2589802
## POSTGRADO - ESPECIALIZACIĆN-NINGUNO 3.8068211
## POSTGRADO - DOCTORADO-NINGUNO 4.8028996
## PRIMARIA-SIN PROFESIĆN 0.9299253
## BACHILLERATO-SIN PROFESIĆN -1.9434947
## PREGRADO - TĆCNICO PROFESIONAL-SIN PROFESIĆN -6.7177794
## PREGRADO - TECNOLĆGICO-SIN PROFESIĆN -6.7027945
## PREGRADO - PROFESIONAL-SIN PROFESIĆN -5.0188035
## POSTGRADO - MAESTRIA-SIN PROFESIĆN -6.6377461
## POSTGRADO - ESPECIALIZACIĆN-SIN PROFESIĆN -4.0492754
## POSTGRADO - DOCTORADO-SIN PROFESIĆN -2.9015954
## BACHILLERATO-PRIMARIA -3.1170253
## PREGRADO - TĆCNICO PROFESIONAL-PRIMARIA -7.9463707
## PREGRADO - TECNOLĆGICO-PRIMARIA -7.9913917
## PREGRADO - PROFESIONAL-PRIMARIA -6.1949658
## POSTGRADO - MAESTRIA-PRIMARIA -7.9090796
## POSTGRADO - ESPECIALIZACIĆN-PRIMARIA -5.3772312
## POSTGRADO - DOCTORADO-PRIMARIA -4.4171468
## PREGRADO - TĆCNICO PROFESIONAL-BACHILLERATO -5.0299576
## PREGRADO - TECNOLĆGICO-BACHILLERATO -5.0829668
## PREGRADO - PROFESIONAL-BACHILLERATO -3.2671167
## POSTGRADO - MAESTRIA-BACHILLERATO -4.9987079
## POSTGRADO - ESPECIALIZACIĆN-BACHILLERATO -2.4725095
## POSTGRADO - DOCTORADO-BACHILLERATO -1.5226238
## PREGRADO - TECNOLĆGICO-PREGRADO - TĆCNICO PROFESIONAL -0.3578459
## PREGRADO - PROFESIONAL-PREGRADO - TĆCNICO PROFESIONAL 1.4325038
## POSTGRADO - MAESTRIA-PREGRADO - TĆCNICO PROFESIONAL -0.2762164
## POSTGRADO - ESPECIALIZACIĆN-PREGRADO - TĆCNICO PROFESIONAL 2.2576545
## POSTGRADO - DOCTORADO-PREGRADO - TĆCNICO PROFESIONAL 3.2216812
## PREGRADO - PROFESIONAL-PREGRADO - TECNOLĆGICO 1.3386774
## POSTGRADO - MAESTRIA-PREGRADO - TECNOLĆGICO -0.3532229
## POSTGRADO - ESPECIALIZACIĆN-PREGRADO - TECNOLĆGICO 2.1878750
## POSTGRADO - DOCTORADO-PREGRADO - TECNOLĆGICO 3.1673725
## POSTGRADO - MAESTRIA-PREGRADO - PROFESIONAL -1.9257452
## POSTGRADO - ESPECIALIZACIĆN-PREGRADO - PROFESIONAL 0.6008408
## POSTGRADO - DOCTORADO-PREGRADO - PROFESIONAL 1.5513895
## POSTGRADO - ESPECIALIZACIĆN-POSTGRADO - MAESTRIA 2.1392423
## POSTGRADO - DOCTORADO-POSTGRADO - MAESTRIA 3.1143271
## POSTGRADO - DOCTORADO-POSTGRADO - ESPECIALIZACIĆN 0.4844732
## upr p adj
## NINGUNO-NO INDICA -3.3555179 0.0000000
## SIN PROFESIĆN-NO INDICA 4.6111693 0.9998816
## PRIMARIA-NO INDICA 5.7683105 0.0000000
## BACHILLERATO-NO INDICA 2.8342751 0.0000000
## PREGRADO - TĆCNICO PROFESIONAL-NO INDICA -1.8575768 0.0000000
## PREGRADO - TECNOLĆGICO-NO INDICA -1.7594698 0.0000000
## PREGRADO - PROFESIONAL-NO INDICA -0.2367972 0.0000000
## POSTGRADO - MAESTRIA-NO INDICA -1.7180344 0.0000000
## POSTGRADO - ESPECIALIZACIĆN-NO INDICA 0.9475474 0.0000281
## POSTGRADO - DOCTORADO-NO INDICA 2.3553643 0.0000000
## SIN PROFESIĆN-NINGUNO 8.3900918 0.0064707
## PRIMARIA-NINGUNO 9.7458426 0.0000000
## BACHILLERATO-NINGUNO 6.8432659 0.0000000
## PREGRADO - TĆCNICO PROFESIONAL-NINGUNO 2.1101570 0.0000000
## PREGRADO - TECNOLĆGICO-NINGUNO 2.1769408 0.0000000
## PREGRADO - PROFESIONAL-NINGUNO 3.7697728 0.0000000
## POSTGRADO - MAESTRIA-NINGUNO 2.2264057 0.0000000
## POSTGRADO - ESPECIALIZACIĆN-NINGUNO 4.8678911 0.0000000
## POSTGRADO - DOCTORADO-NINGUNO 6.2254355 0.0000000
## PRIMARIA-SIN PROFESIĆN 8.5822267 0.0030753
## BACHILLERATO-SIN PROFESIĆN 5.7029433 0.8900507
## PREGRADO - TĆCNICO PROFESIONAL-SIN PROFESIĆN 0.9370314 0.3467236
## PREGRADO - TECNOLĆGICO-SIN PROFESIĆN 0.9634352 0.3601346
## PREGRADO - PROFESIONAL-SIN PROFESIĆN 2.6279903 0.9956032
## POSTGRADO - MAESTRIA-SIN PROFESIĆN 1.0249463 0.3943778
## POSTGRADO - ESPECIALIZACIĆN-SIN PROFESIĆN 3.6258019 1.0000000
## POSTGRADO - DOCTORADO-SIN PROFESIĆN 4.8317448 0.9993490
## BACHILLERATO-PRIMARIA -2.6356780 0.0000000
## PREGRADO - TĆCNICO PROFESIONAL-PRIMARIA -7.3465293 0.0000000
## PREGRADO - TECNOLĆGICO-PRIMARIA -7.2601196 0.0000000
## PREGRADO - PROFESIONAL-PRIMARIA -5.7079995 0.0000000
## POSTGRADO - MAESTRIA-PRIMARIA -7.2158723 0.0000000
## POSTGRADO - ESPECIALIZACIĆN-PRIMARIA -4.5583944 0.0000000
## POSTGRADO - DOCTORADO-PRIMARIA -3.1648559 0.0000000
## PREGRADO - TĆCNICO PROFESIONAL-BACHILLERATO -4.5102390 0.0000000
## PREGRADO - TECNOLĆGICO-BACHILLERATO -4.4158411 0.0000000
## PREGRADO - PROFESIONAL-BACHILLERATO -2.8831452 0.0000000
## POSTGRADO - MAESTRIA-BACHILLERATO -4.3735406 0.0000000
## POSTGRADO - ESPECIALIZACIĆN-BACHILLERATO -1.7104127 0.0000000
## POSTGRADO - DOCTORADO-BACHILLERATO -0.3066755 0.0000684
## PREGRADO - TECNOLĆGICO-PREGRADO - TĆCNICO PROFESIONAL 0.3992347 1.0000000
## PREGRADO - PROFESIONAL-PREGRADO - TĆCNICO PROFESIONAL 1.9574309 0.0000000
## POSTGRADO - MAESTRIA-PREGRADO - TĆCNICO PROFESIONAL 0.4441645 0.9996441
## POSTGRADO - ESPECIALIZACIĆN-PREGRADO - TĆCNICO PROFESIONAL 3.0996200 0.0000000
## POSTGRADO - DOCTORADO-PREGRADO - TĆCNICO PROFESIONAL 4.4892161 0.0000000
## PREGRADO - PROFESIONAL-PREGRADO - TECNOLĆGICO 2.0098686 0.0000000
## POSTGRADO - MAESTRIA-PREGRADO - TECNOLĆGICO 0.4797823 0.9999933
## POSTGRADO - ESPECIALIZACIĆN-PREGRADO - TECNOLĆGICO 3.1280107 0.0000000
## POSTGRADO - DOCTORADO-PREGRADO - TECNOLĆGICO 4.5021361 0.0000000
## POSTGRADO - MAESTRIA-PREGRADO - PROFESIONAL -1.2962413 0.0000000
## POSTGRADO - ESPECIALIZACIĆN-PREGRADO - PROFESIONAL 1.3664990 0.0000000
## POSTGRADO - DOCTORADO-PREGRADO - PROFESIONAL 2.7695732 0.0000000
## POSTGRADO - ESPECIALIZACIĆN-POSTGRADO - MAESTRIA 3.0500840 0.0000000
## POSTGRADO - DOCTORADO-POSTGRADO - MAESTRIA 4.4286221 0.0000000
## POSTGRADO - DOCTORADO-POSTGRADO - ESPECIALIZACIĆN 1.8691497 0.0000024# VisualizaciĆ³n
ggplot(DataNA, aes(x = Nivel.AcadƩmico, y = Edad)) +
geom_boxplot() +
coord_flip() +
labs(title = "DistribuciĆ³n de la Edad por Nivel AcadĆ©mico",
x = "Nivel AcadƩmico",
y = "Edad (aƱos)")
RelaciĆ³n entre PaĆs, Estado Civil, y GĆ©nero HipĆ³tesis: Existen diferencias significativas en el estado civil segĆŗn el gĆ©nero y el paĆs.
# VisualizaciĆ³n
ggplot(Data_top3, aes(x = Estado.civil, fill = GĆ©nero)) +
geom_bar(position = "dodge") +
facet_wrap(~PaĆs) +
labs(title = "Estado Civil por GĆ©nero y PaĆs",
x = "Estado Civil",
y = "Cantidad") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Iterar sobre los paĆses para realizar la prueba de Chi-cuadrado
resultados <- Data_top3 %>%
group_by(PaĆs) %>%
summarise(Chi2 = list(chisq.test(table(GĆ©nero, Estado.civil))$p.value))## Warning: There were 2 warnings in `summarise()`.
## The first warning was:
## ā¹ In argument: `Chi2 = list(chisq.test(table(GĆ©nero, Estado.civil))$p.value)`.
## ā¹ In group 1: `PaĆs = "ESPAĆA"`.
## Caused by warning in `stats::chisq.test()`:
## ! Chi-squared approximation may be incorrect
## ā¹ Run `dplyr::last_dplyr_warnings()` to see the 1 remaining warning.# Mostrar los resultados
kable(resultados, col.names = c("PaĆs", "P-valor Chi-cuadrado"),
caption = "Prueba de Chi-cuadrado por PaĆs para la relaciĆ³n entre GĆ©nero y Estado Civil")| PaĆs | P-valor Chi-cuadrado |
|---|---|
| ESPAĆA | 0 |
| ESTADOS UNIDOS | 0 |
| VENEZUELA | 8.096083e-108 |
RelaciĆ³n entre Edad y Estado Civil HipĆ³tesis: La edad tiene un impacto significativo en el estado civil de las personas.
# ANOVA para comparar la Edad media entre los diferentes Estados Civiles
anova_edad_estado_civil <- aov(Edad ~ Estado.civil, data = DataNA)
summary(anova_edad_estado_civil)## Df Sum Sq Mean Sq F value Pr(>F)
## Estado.civil 7 33110324 4730046 21903 <2e-16 ***
## Residuals 782242 168928484 216
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1# VisualizaciĆ³n
ggplot(DataNA, aes(x = Estado.civil, y = Edad)) +
geom_boxplot() +
coord_flip() +
labs(title = "DistribuciĆ³n de la Edad por Estado Civil",
x = "Estado Civil",
y = "Edad (aƱos)")
Estadistica Inferencial
#library(ggplot2)Vamos a realizar una prueba de chi cuadrado entre las variables pais
y etnia, para ver si hay una realcion significativa entre ambas,
con:
Ho: No existe una asocion entre las variables etnia y pais de
residencia.
H1: Hay una relacion significativa entre las varibales.
tabla_contingencia <- table(DataNA$PaĆs, DataNA$Etnia.de.la.persona)
resultado_chi <- chisq.test(tabla_contingencia)## Warning in stats::chisq.test(x, y, ...): Chi-squared approximation may be
## incorrectprint(resultado_chi)##
## Pearson's Chi-squared test
##
## data: tabla_contingencia
## X-squared = 50607, df = 1344, p-value < 2.2e-16En este caso nos da un P-Valor extremadamente pequeƱo, lo que sugiere
que debemos rechazar nuestra hipotesis nula de que no existe asociacion
significativa entre ambas varibles. Y aceptar que en realidad si la
hay.
Sin embargo R nos arroja una advertencia donde nos dice que la
aproximacion del Chi Cuadrado podria ser incorrecto, esto es debido a
que exiten celdas en nuestra tabla de contingencia que tienen
frecuencias esperadas muy bajas, esto entorpece la aproximacion, y es
usual en tablas de contingencias tan grandes como esta, en la que se
manejan tantos paises y tantas etnias, por lo que hay un gran numero de
combinaciones posibles.
if (resultado_chi$p.value < 0.05) {
print("Existe una asociaciĆ³n significativa entre el paĆs de residencia y la etnia.")
} else {
print("No se encuentra una asociaciĆ³n significativa entre el paĆs de residencia y la etnia.")
}## [1] "Existe una asociaciĆ³n significativa entre el paĆs de residencia y la etnia."#Para manejar el problema anteriormente presentado se decidio hacer una simulacion de Monte Carlo, la cual es util cuando las supociciones del chi cuadrado tradicional no se cumplen, por ejemplo en este caso que la tabla de contingencia es bastante grande y hay celdas con frecuencias bastante bajas.
# Prueba de Chi-cuadrado con simulaciĆ³n de Monte Carlo
resultado_chi_mc <- chisq.test(tabla_contingencia, simulate.p.value = TRUE, B = 10000)
# Ver los resultados
print(resultado_chi_mc)##
## Pearson's Chi-squared test with simulated p-value (based on 10000
## replicates)
##
## data: tabla_contingencia
## X-squared = 50607, df = NA, p-value = 9.999e-05En este caso volvemos a observar que el P-Valor es extremadamente pequeƱo, lo que indica que es muy improbable observar una asocioaciĆ³n tan fuerte por azar. Y confirmamos que efectivamente existe una relacion significata entre el pais de residencia y la etnia.
#Ahora veamos si existe una relaciĆ³n entre el paĆs y el area de conocimiento.
tabla_contingencia_area <- table(DataNA$PaĆs, DataNA$Area.Conocimiento)
resultado_chiq <- chisq.test(tabla_contingencia_area)## Warning in stats::chisq.test(x, y, ...): Chi-squared approximation may be
## incorrectprint(resultado_chiq)##
## Pearson's Chi-squared test
##
## data: tabla_contingencia_area
## X-squared = 97150, df = 2304, p-value < 2.2e-16En este caso nos estĆ” ocurriendo exactamento lo mismo que la vez pasada, asi que realizaremos la misma simulaciĆ³n de Monte Carlo.
chisq.test(tabla_contingencia_area, simulate.p.value = TRUE, B = 10000)##
## Pearson's Chi-squared test with simulated p-value (based on 10000
## replicates)
##
## data: tabla_contingencia_area
## X-squared = 97150, df = NA, p-value = 9.999e-05Con este P-valor pequeƱo tambiƩn rechazamos la Hipotesis nula, lo que
sugiere que la relacion entre area de conocimiento y pais de residencia
tambien es significativa.
Veamos ciencias basicas en alemania:
ciencias_basicas <- subset(DataNA, Area.Conocimiento == "MATEMĆTICAS Y CIENCIAS NATURALES" & PaĆs == "ALEMANIA")
tabla_ciencias_basicas <- table(ciencias_basicas$Sub.Area.Conocimiento)
print(tabla_ciencias_basicas)##
## BIOLOGĆA, MICROBIOLOGĆA Y AFINES FĆSICA
## 197 97
## GEOLOGĆA MATEMĆTICAS, ESTADĆSTICA Y AFINES
## 45 77
## OTROS PROGRAMAS DE CIENCIAS NATURALES QUĆMICA Y AFINES
## 57 90Realizamos la prueba de Chi-cuadrado para las subƔreas de conocimiento de ciencias basicas y el pais alemania.
resultado_chi_ciencias <- chisq.test(tabla_ciencias_basicas)
#Imprimir los resultados de la prueba
print(resultado_chi_ciencias)##
## Chi-squared test for given probabilities
##
## data: tabla_ciencias_basicas
## X-squared = 156.58, df = 5, p-value < 2.2e-16Con este P-valor podemos afirmar que hay una relaciĆ³n significativa entre ir a Alemania y estudiar un programa relacionado a las ciencias Basicas.
A continuaciĆ³n un Grafico de barras que nos muestra las frecuencias de cada uno, donde podemos ver que Sub Areas como Biologia , Microbiologia y areas afines tienen mayor relevancia en Alemania.
df_ciencias_basicas <- as.data.frame(tabla_ciencias_basicas)
colnames(df_ciencias_basicas) <- c("Sub.Area.Conocimiento", "Conteo")
# Crear el grƔfico de barras
ggplot(df_ciencias_basicas, aes(x = Sub.Area.Conocimiento, y = Conteo, fill = Sub.Area.Conocimiento)) +
geom_bar(stat = "identity") +
theme_minimal() +
labs(title = "DistribuciĆ³n de SubĆ”reas de Conocimiento en Ciencias BĆ”sicas (Alemania)",
x = "SubƔrea de Conocimiento",
y = "NĆŗmero de Personas") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
A continuacion se hace un kruskal wallis para Edad y Etnia
#Prueba de Kruskal Wallis
kruskal_test = kruskal.test(DataNA$Edad ~ DataNA$Etnia.de.la.persona)
print(kruskal_test)##
## Kruskal-Wallis rank sum test
##
## data: DataNA$Edad by DataNA$Etnia.de.la.persona
## Kruskal-Wallis chi-squared = 2069.2, df = 7, p-value < 2.2e-16# Crear un boxplot utilizando ggplot2
ggplot(Data, aes(x = Etnia.de.la.persona, y = Edad, fill = Etnia.de.la.persona)) +
geom_boxplot() +
labs(x = "Etnia", y = "Edad", title = "DistribuciĆ³n de la Edad por Etnia") +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_brewer(palette = "Set3")